[发明专利]数字工厂生产产能预测方法、系统、装置

说明书

本发明属于数字工厂产能预测领域，具体涉及了一种数字工厂生产产能预测方法、系统、装置，旨在解决现有技术模型单一不易泛化，无法探索数据与预测目标的多层差异性关系，预测结果准确率低的问题。本发明方法包括：获取预设时间段生产产能数据，并通过特征工程进行特征向量提取及扩充；通过K折交叉验证法将特征向量集划分为设定的训练测试集；通过产能预测模型获取数字工厂预测产能。本发明采用GBDT‑Stacking方法集成多个在数字工厂生产产能预测中表现较好的基模型，并通过特征工程构造出对于工厂生产产能预测更加可靠的特征，通过K折交叉验证法划分模型训练测试集，模型预测准确率高、不易过拟合、易于泛化、鲁棒性好。

技术领域

本发明属于数字工厂产能预测领域，具体涉及了一种数字工厂生产产能预测方法、系统、装置。

背景技术

工厂生产产能状态预测系统的核心是统计分析、建模和机器学习。与此同时，海量的工厂数据，如电耗单耗、设备运转、工艺仪表等，必须有大数据平台的支撑。因此，我们通过物联网技术构建物联网传感器网络，实时采集工厂运行数据，结合统计分析方法，对数据进行预处理，生成可以应用于监督学习方法的预测模型输入特征。从而能够基于AI+大数据技术，准确的进行工厂生产产能状态预测。当工厂数量大量增加时，不同的工厂场景所对应的采集特征存在比较大的差异性，因此，需要一个结合多种机器学习算法且可扩展、可靠的智能预测平台，这要求系统设计具有扩展性和灵活性。

准确的工厂生产产能状态预测能够给企业方的决策层，提供强有力的整体规划及发展方向策略，避免了生产过程中的资源浪费。但是在实际应用中，大部分中小企业缺乏相应技术支撑，且相关工厂积累的大多数数据具有数据稀疏、特征量大、正负样本分布极其不均匀等特点，难以准确的进行生产产能状态智能预测或预测准确率较差，导致不可挽回的经济损失。因此，稳定可靠、精度准确的智能预测方法，成为当前该领域亟待解决的问题。

随着数据挖掘、人工智能等技术的发展，在相关领域的预测方面已有了不少成熟的研究。Richardson分别使用Logistic模型(Logistic Regression，LR)和MART模型(Multiple Additive Regression Tress，多元可加回归树)进行点击率的预测，研究结果表明Logistic模型的预测结果优于MART。沈芳瑶等提出一种基于在线最优化算法FTRL(Follow The Regularized Leader)的Logistic模型，该方法采用混合正则化来防止训练过拟合，提高参数的计算效率的同时也使得预测的准确度有所提升。为了挖掘特征间的相互关系，提高模型的预测能力，Rendle提出了因子分解机(FM)模型，FM模型采用矩阵分解的思想，可以降低训练参数的维度，同时也可以学习到互异特征分量之间的关系。Juan etal.进一步提出了特征域相关的因子分解机模型FFM，其基本思想是将特征分割为若干域，每个特征将针对不同特征域学习不同的隐含变量。Zhang等构建了一种基于循环神经网络(RNN)进行行为的预测。张志强等提出了基于张量分解的特征降维方法，并充分利用深度学习技术刻画数据中的非线性关联解决了高维稀疏数据的特征学习问题。

但是目前，对于监督学习运用在工厂生产产能预测的系统实例在国内极少。除以上已有的相关技术之外，用来研究预测的模型还有支持向量机、概率图模型、层次贝叶斯模型、随机森林、深度置信网络、卷积-LSTM网络、XGBoost等。